交易中的机器学习:理论、模型、实践和算法交易 - 页 2553 1...254625472548254925502551255225532554255525562557255825592560...3399 新评论 Forester 2022.01.26 10:11 #25521 Dmytryi Nazarchuk#: Logistic regression 森林/灌木回归更准确。 mytarmailS 2022.01.26 13:25 #25522 elibrarius#: 不,它是一个记忆历史的数据库... 这是个反问句:)) Forester 2022.01.26 14:57 #25523 mytarmailS#: 这是个反问句:))) 你在这个问题上,我知道))。 这是为新加入MO的人准备的。如果他们来到这里。 mytarmailS 2022.01.26 18:23 #25524 https://blog.ephorie.de/why-r-for-data-science-and-not-python Maxim Dmitrievsky 2022.01.28 11:26 #25525 Vladimir Perervenko#: 处理噪声样本有三个选项:删除、重新分区(纠正标记)和将噪声样本分离出来,成为一个单独的类。根据我的经验,大约25%的样本是 "噪音"。质量改进约为5%,它取决于模型和数据准备。我偶尔会应用它。使用预测器时还有一个问题--它们的漂移。而这个问题在测试和运行中都必须被识别和考虑到。所附的文章翻译(在网上找其他的),还有一个漂流瓶 的包装。它不是唯一的。但问题是,在选择预测器时,你不仅需要考虑它们的重要性,还需要考虑它们的漂移。对于高漂移的人来说,把它们扔掉或改造它们,对于低漂移的人来说,在测试和工作时把它们考虑进去(正确)。祝好运你说的 "偶尔适用 "是什么意思?要么是有某种已经被证明的流水线,要么就是空穴来风的猜测。从理论上讲,将噪声作为一个单独的类并不能改善模型(它停留在模型中,并没有去任何地方)。 关于漂移--这是基础知识,偏差-变异的权衡。 mytarmailS 2022.01.28 13:34 #25526 Maxim Dmitrievsky#: 你是否尝试过预测未来报价的分布? Maxim Dmitrievsky 2022.01.28 13:56 #25527 mytarmailS#: 你有没有试过预测未来的报价分布? 我做过类似的事情,但我不明白这到底是怎么回事 请记住,我对未来固定长度的块进行了聚类,并预测了聚类的数量。每个集群都有不同的分布,每个集群都有不同的策略。在Traine身上成功了,在新的数据上,如果你正面做,就会失败。 mytarmailS 2022.01.28 15:31 #25528 Maxim Dmitrievsky#: 做过类似的事情,但不明白是什么原因。 记住,我对未来的固定长度的块状物进行了聚类,并预测了聚类的数量。每个集群都有自己的分布,每个集群都有自己的战略。这在特雷恩身上是有效的,但在新的数据上,如果你直接这样做,就会失败。 我记得... 我有一个稍微不同的想法... 如果你能定性地预测未来的报价分布,比如说,未来的50根蜡烛,那么从这个分布中你可以抽取几千个序列,然后训练模型,这样一来,模型在理论上对新的50根蜡烛会有足够的作用... Farkhat Guzairov 2022.01.28 16:35 #25529 我时常查看这个主题,同样的面孔,同样的模型讨论,也许有人有东西可以展示? [删除] 2022.01.28 16:36 #25530 Farkhat Guzairov#: 我定期访问这个话题,面孔是一样的,讨论的模型也是一样的,也许有人有什么东西可以展示? 这不是一个需要解决的问题 1...254625472548254925502551255225532554255525562557255825592560...3399 新评论 原因: 取消 您错过了交易机会: 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符(不带空格) 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号,请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置,否则您将无法登录。 忘记您的登录名/密码? 使用 Google 登录
Logistic regression
不,它是一个记忆历史的数据库...
这是个反问句:))
这是个反问句:)))
你在这个问题上,我知道))。
这是为新加入MO的人准备的。如果他们来到这里。
处理噪声样本有三个选项:删除、重新分区(纠正标记)和将噪声样本分离出来,成为一个单独的类。根据我的经验,大约25%的样本是 "噪音"。质量改进约为5%,它取决于模型和数据准备。我偶尔会应用它。
使用预测器时还有一个问题--它们的漂移。而这个问题在测试和运行中都必须被识别和考虑到。所附的文章翻译(在网上找其他的),还有一个漂流瓶 的包装。它不是唯一的。但问题是,在选择预测器时,你不仅需要考虑它们的重要性,还需要考虑它们的漂移。对于高漂移的人来说,把它们扔掉或改造它们,对于低漂移的人来说,在测试和工作时把它们考虑进去(正确)。
祝好运
你说的 "偶尔适用 "是什么意思?
要么是有某种已经被证明的流水线,要么就是空穴来风的猜测。
从理论上讲,将噪声作为一个单独的类并不能改善模型(它停留在模型中,并没有去任何地方)。
关于漂移--这是基础知识,偏差-变异的权衡。你有没有试过预测未来的报价分布?
我做过类似的事情,但我不明白这到底是怎么回事
请记住,我对未来固定长度的块进行了聚类,并预测了聚类的数量。每个集群都有不同的分布,每个集群都有不同的策略。在Traine身上成功了,在新的数据上,如果你正面做,就会失败。做过类似的事情,但不明白是什么原因。
记住,我对未来的固定长度的块状物进行了聚类,并预测了聚类的数量。每个集群都有自己的分布,每个集群都有自己的战略。这在特雷恩身上是有效的,但在新的数据上,如果你直接这样做,就会失败。我记得...
我有一个稍微不同的想法...
如果你能定性地预测未来的报价分布,比如说,未来的50根蜡烛,那么从这个分布中你可以抽取几千个序列,然后训练模型,这样一来,模型在理论上对新的50根蜡烛会有足够的作用...
我定期访问这个话题,面孔是一样的,讨论的模型也是一样的,也许有人有什么东西可以展示?